一句话看懂：Google 发布 Gemini 3.5 Transcribe，一个面向实时与离线场景的语音转文字模型，支持 85 种语言自动识别、自动去除语气词和纠正口误，并将流式转录延迟较上一代 Chirp 3 降低 70%。这意味着语音转录正在从“听写工具”升级为“理解并整理口语”的 AI 服务。
事件核心：发生了什么
Google 于 2026 年 8 月 27 日推出 Gemini 3.5 Transcribe，这是一款专门为实时转录设计的语音转文字模型。官方数据显示，其流式转录词错误率为 4.0%，录音文件转录词错误率为 2.6%，延迟相较前代 Chirp 3 降低 70%。除基础转写外，该模型还能自动过滤“um”等填充词、纠正口误，并自主完成标点与格式排版。通过 function calling 机制，它可以调用其他 Gemini 模型执行图像生成或联网搜索等任务。
产品提供两个接口：Live API 面向实时流式传输，对应 gemini-3.5-transcribe-live 模型；Interactions API 面向录音文件处理，支持说话人分离和时间戳标注，对应 gemini-3.5-transcribe 模型。目前该模型已在 Google AI Studio 和 Gemini Enterprise Agent Platform 上线，并已集成至 Android 版 Gboard（通过“Rambler”功能）和 macOS 版 Gemini 应用中，Chrome 浏览器支持即将推出。
为什么重要
语音转录是 AI 应用的高频入口，但过去的方案往往在“转写准确”和“理解语义”之间二选一。Gemini 3.5 Transcribe 的差异化在于将后处理逻辑内建到模型推理中：自动去语气词、纠口误、加格式，意味着它不再只是声学识别器，而是具备一定语义理解能力的转录 Agent。这一点对大模型厂商的竞争格局有直接影响——当语音识别本身变成大模型能力的一部分，传统 ASR 厂商和仅做转写 API 的创业公司需要重新定位自身价值。
同时，70% 的延迟降低与 function calling 的结合，让语音不再只是输入方式，而成为触发复杂任务的中枢。Google 正在把语音交互从“你说了什么”推进到“你想做什么”的层次，这对其 Gemini 生态的入口价值至关重要。
对用户/开发者/创作者的影响
普通用户：在 Android 的 Gboard 和 macOS Gemini 应用中，语音输入的可用性会有明显提升——杂音、口误和语气词被自动清理，转录结果更接近可直接发送的文本，而非需要手动修改的草稿。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
开发者：Live API 的低延迟特性适合实时字幕、会议记录、客服质检等场景；Interactions API 的说话人分离则对访谈整理、播客剪辑、法务与医疗记录有价值。function calling 降低了多模型编排的复杂度，开发者可以用更少的代码实现“语音指令 + 图像生成/搜索”的复合流程。
创作者：播客、采访和视频字幕制作中，后期转写和校对时间可能大幅缩短，尤其是多语言内容创作者可以借助 85 种语言支持减少翻译路径中的中间环节。
值得关注的后续
第一，定价与配额。Google 尚未公布 Gemini 3.5 Transcribe 的 API 价格，与 Chirp 3 的价差将直接影响开发者迁移意愿。第二，Chrome 浏览器集成落地时间。如果 Chrome 原生支持该模型，可能改变网页端语音输入的默认体验，值得观察是否会对第三方输入法形成压力。第三，竞品反应。OpenAI 的 Whisper 系列和多家开源 ASR 项目是否会跟进“语义级转录纠正”这一方向，将决定该功能是成为行业标配还是 Google 的差异化卖点。
